自动驾驶汽车利用传感器看见世界。但是它们如何处理通过传感器获得的数据呢？

用行业术语来说，问题的关键在于感知，即在行驶过程中，自动驾驶汽车处理和识别道路数据（从街道标识到行人，乃至周围交通环境）的能力。借助AI的强大功能，自动驾驶汽车能够实时识别周围环境并对其做出反应，从而保证车辆的安全行驶。

自动驾驶汽车利用一系列称为深度神经网络（DNN）的算法来实现感知功能。

DNN并不是要求汽车遵循一系列人工编写的功能，比如“看到红灯就停车”，而是使汽车能够利用自身传感器获得的数据学习如何实况行驶。

这些数学模型的运行方式受到人类大脑的启发，都是通过经验进行学习。如果DNN接收到不同情况下多种停车标识的图像，它就可以根据经验学会自己识别停车标识。

但是，仅依靠一种算法是无法独立完成工作的。为了实现安全的自动驾驶，一整套DNN不可或缺。在整套DNN中，每个DNN需要完成特定的任务。

这些网络是多样的，从阅读道路标识，识别交叉路口到检测行驶路径，它们涵盖了所有功能。同时这些网络也是冗余的，因为它们的功能有所重叠，所以能够最大限度地降低出现故障的可能性。

自动驾驶对于所需DNN的数量没有固定标准。新功能层出不穷，DNN的列表也随之不断增长变化。

在实况驾驶中，必须实时处理独立DNN所生成的信号。为了实现这一目标，一个集中且高性能的计算平台不可或缺，例如NVIDIA DRIVE AGX。

以下是NVIDIA用于自动驾驶汽车感知的一些核心DNN。

帮助汽车确定行驶区域并规划前方安全路径的DNN：

• OpenRoadNet能够识别汽车周围所有可行驶的空间，无论是汽车所在车道还是邻近车道。

• PathNet即使在没有车道标记的情况下，也能突出标记车辆前方的可行驶路径。

• LaneNet能够检测车道线和其他规定汽车行驶路径的标记。

• MapNet也可以识别车道和地标，并用于创建和更新高清地图。

具有路径寻找功能的DNN协同工作为自动驾驶汽车制定安全的行驶路线。

能够检测潜在路障、交通信号灯及标识的DNN：

• DriveNet能够感知道路上的其他车辆、行人、交通灯和标识，但无法识别灯光的颜色以及标识的类型。

• LightNet能够对交通灯的颜色状态进行分类 - 红色、黄色或绿色。

• SignNet能够识别标志的类型 - 停止，让行，单行道等。

• WaitNet能够检测必须停车等待的情况，例如十字路口。

能够检测汽车及驾驶舱零部件状态，以及使操作更加便捷（如停车）的DNN：

• ClearSightNet能够监测汽车摄像头传感器的可见度，检测限制可见度的状况，如雨，雾和阳光直射。

• ParkNet能够识别可用的停车位。

以上这些只是构成冗余和多样化DRIVE软件感知层的深度神经网络示例。